近几年，在线社会网络(Online Social Network，简称OSN)在人们的工作和生活中扮演着越来越重要的角色，成为人们维持社会关系的新纽带。随着在线社会网络的发展，在为用户提供实时、便捷的社交服务的同时，其暴露出来的安全问题也日益突出：数以万计的虚假帐号，铺天盖地的垃圾信息，大肆传播的网络谣言等等，这些安全隐患一方面对在线社会网络所提供的各项服务构成安全威胁，另一方面对用户的合法体验构成负面影响从而降低用户对在线社会网络的粘性，间接造成大量经济损失。目前，在线社会网络中的安全问题正成为学术领域的研究热点。本文试图以数据为中心，从数据的生命周期出发，来研究在线社会网络中数据产生、传输和接收三个阶段各自所暴露出来的安全问题。各个阶段的安全问题与本文设计的安全方案描述如下：1.在数据的产生阶段，针对恶意用户主观产生的垃圾标签，本文提出了一种基于信誉模型的垃圾标签降级算法DSpam，DSpam根据用户之间是否通过评判标签质量而产生交互的事实来计算相对信誉值，如果未产生评判标签的交互，则采用余弦相似度算法的结果作为两个用户的相对信誉值；如果产生评判标签的交互，则采用反馈信誉与推荐信誉相结合的方法，一方面基于标签评判的累积结果而产生反馈信誉，另一方面充分利用在线社会网络的社交属性，基于好友反馈信誉的加权推荐而产生推荐信誉。在用户搜索标签所对应资源时，DSpam将资源按照标签所对应的用户相对于搜索发起人的信誉值来进行排序，从而保证存在垃圾标签污染的资源尽可能地排在搜索结果列表中的末端。实验表明，在基于降级来抵御垃圾标签的方法中，本文提出的DSpam方法应用所得结果的SpamFactor值要低于现有的基于Boolean的方法、基于Occurrence的方法和基于Coincidence的方法。此外，与现有降级方法无法抵御垃圾标签的定向攻击相比，DSpam在抵御大规模恶意用户发动的定向攻击方面有着较好的表现，并且DSpam方法中基于连续负反馈的信誉锐减机制使得其能够在一定程度上抵御垃圾标签的伪装攻击。2.在数据的传输阶段，针对在线社会网络中虚假信息传播问题，本文提出了一种基于PageRank的虚假信息传播控制方法Fidic，该方法在对特定主题的虚假信息进行传播控制时，将社交网络中的用户类比成网页，将用户间信息的传播行为类比成网页间的链接关系，利用PageRank来计算虚假信息传播过程中所涉及的用户的等级值并排序，根据对等级值较高的用户的传播行为进行控制从而缩小虚假信息传播所达到的覆盖面。此外，本文还提出了社交网络中信息传播效果的评估方法，对信息在社交网络中传播所造成的影响进行定量分析。实验表明，与随机控制、基于出度的控制和基于入度的控制等方法相比，Fidic在相同的用户控制比例下能够使虚假信息所传达的范围最小，在虚假信息传播所达的相同范围情况下能够使所控制的用户比例最小。3.在数据的接收阶段，针对在线社会网络现有访问控制粒度较粗的问题，本文提出了一种基于好友亲密度的访问控制方法iSac，该方法对好友之间在社交网络中的交互行为数据进行统计，并通过有监督的机器学习来对用户的各类在线社交行为制定权重，进一步依据用户与其所有好友的交互行为数据来得出该用户所有好友的亲密度的排序结果，从而完成基于交互的好友亲疏关系的量化过程。用户可以依据好友亲密度的量化结果来制定个性化的、智能化的访问控制策略。实验表明，本方法的好友亲密度计算结果具有较低的误盖率，进而保证了细粒度的访问控制的有效实施。此外，本文还深入阐释了好友亲密度在隐私保护、内容推荐、Sybil抵御等方面的应用。